GPT-SW3
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- AI Sweden,RISE
- Typ organizace
- Academia
- Země
- Sweden
- Publikováno
- 25 June 2022
- Autoři
- Ariel Ekgren, Amaru Cuba Gyllensten, Evangelia Gogoulou, Alice Heiman, Severine Verlinden, Joey Ohman, Fredrik Carlsson, Magnus Sahlgren
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Přístup
- Self-supervised learning
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 3.5B
- Výcviková data
- 101,711,872,000 tokens
- Epochy
- 5
100GB Swedish corpus, assume Swedish has similar 167M words per GB as German. 100*167e6 = 1.67e10 "The model is trained for 97000 steps with a batch size of 512 using the autoregressive next-step prediction objective" "Sequence length 2,048" 97000*512*2048=101711872000 tokens = 102B tokens 100*167000000/0,75=22266666666 tokens = 22B tokens (then I assume multiple epochs)
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 1.7 × 10²¹ FLOP
- Jak bylo ustanoveno
- Hardware,Operation counting
From section 4: "Training was performed on GPU resources from the Berzelius Superpod, which is currently the fastest super computer in Sweden, equipped with 60 Nvidia DGX A100 servers, each of which consists of 8 Nvidia A100 GPUs with 320 GB Total GPU memory. Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 GPUs)." 2.5*24*60**2 * 128 * 1.56E+14 * 0.3 = 1.3e21 6 FLOP / parameter / token * 3.5 * 10^9 parameters * 97000 steps * 512 samples per batch * 2048 tok…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Doba reálného času
- 60 hours
"Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 GPUs)."
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
they released many other models from the series but not 3.5B one https://huggingface.co/AI-Sweden-Models/gpt-sw3-40b/blob/main/LICENSE
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 20
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Lessons Learned from GPT-SW3: Building the First Large-Scale Generative Language Model for Swedish
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Co je tento MODEL
GPT-SW3 byl zveřejněn AI Sweden,RISE, v zemi zaznamenané jako Sweden, během June 2022. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Trénování si vyžádalo výpočetní rozpočet přibližně 1.7 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 101,711,872,000 tokeny textu
Odpovědi
GPT-SW3 — běžné otázky
GPT-SW3— Kdy byl vydán?
Bylo to zveřejněno v June 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
GPT-SW3— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
GPT-SW3— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.7 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
GPT-SW3— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
GPT-SW3— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
GPT-SW3— kolik má parametrů?
Má počet parametrů 3.5B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
GPT-SW3— Kdo to vytvořil?
Bylo to publikováno společností AI Sweden,RISE, zakládající se na Sweden, organizace zařazená jako academia.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.